商品簡介
目次
序
前言
教學建議
第1章初識無人駕駛系統
11什麼是無人駕駛
111無人駕駛的分級標準
112無人駕駛到底有多難
12為什麼需要無人駕駛
121提高道路交通安全
122緩解城市交通擁堵
123提升出行效率
124降低駕駛者的門檻
13無人駕駛系統的基本框架
131環境感知
132定位
133任務規劃
134行為規劃
135動作規劃
136控制系統
137小結
14開發環境配置
141簡單環境安裝
142ROS安裝
143OpenCV安裝
15本章參考文獻
第2章ROS入門
21ROS簡介
211ROS是什麼
212ROS的歷史
213ROS的特性
22ROS的核心概念
23catkin創建系統
24ROS中的項目組織結構
25基於Husky模擬器的實踐
26ROS的基本編程
261ROS C++編程
262編寫簡單的發佈和訂閱程序
263ROS中的參數服務
264基於Husky機器人的小案例
27ROS Service
28ROS Action
29ROS中的常用工具
291Rviz
292rqt
293TF坐標轉換系統
294URDF和SDF
210本章參考文獻
第3章無人駕駛系統的定位方法
31實現定位的原理
32迭代最近點算法
33正態分佈變換
331NDT算法介紹
332NDT算法的基本步驟
333NDT算法的優點
334NDT算法實例
34基於GPS+慣性組合導航的定位系統
341定位原理
342不同傳感器的定位融合實現
35基於SLAM的定位系統
351SLAM定位原理
352SLAM應用
36本章參考文獻
第4章狀態估計和傳感器融合
41卡爾曼濾波和狀態估計
411背景知識
412卡爾曼濾波
413卡爾曼濾波在無人駕駛汽車感知模塊中的應用
42高級運動模型和擴展卡爾曼濾波
421應用於車輛追蹤的高級運動模型
422擴展卡爾曼濾波
43無損卡爾曼濾波
431運動模型
432非線性過程模型和測量模型
433無損變換
434預測
435測量更新
436小結
44本章參考文獻
第5章機器學習和神經網絡基礎
51機器學習基本概念
52監督學習
521經驗風險最小化
522模型、過擬合和欠擬合
523“一定的算法”――梯度下降算法
524小結
53神經網絡基礎
531神經網絡基本結構
532無限容量――擬合任意函數
533前向傳播
534隨機梯度下降
54使用Keras實現神經網絡
541數據準備
542三層網絡的小變動――深度前饋神經網絡
543小結
55本章參考文獻
第6章深度學習和無人駕駛視覺感知
61深度前饋神經網絡――為什麼要深
611大數據下的模型訓練效率
612表示學習
62應用於深度神經網絡的正則化技術
621數據集增強
622提前終止
623參數範數懲罰
624Dropout技術
63實戰――交通標誌識別
631BelgiumTS 數據集
632數據預處理
633使用Keras構造並訓練深度前饋網絡
64卷積神經網絡入門
641什麼是卷積以及卷積的動機
642稀疏交互
643參數共享
644等變表示
645卷積神經網絡
646卷積的一些細節
65基於YOLO的車輛檢測
651預訓練分類網絡
652訓練檢測網絡
653YOLO的損失函數
654測試
655基於YOLO的車輛和行人檢測
66本章參考文獻
第7章遷移學習和端到端無人駕駛
71遷移學習
72端到端無人駕駛
73端到端無人駕駛模擬
731模擬器的選擇
732數據采集和處理
733深度神經網絡模型構建
74本章小結
75本章參考文獻
第8章無人駕駛規劃入門
81無人車路徑規劃和A*算法
811有向圖
812廣度優先搜索算法
813涉及的數據結構
814如何生成路線
815有方向地進行搜索(啟發式)
816Dijkstra算法
817A*算法
82分層有限狀態機和無人車行為規劃
821無人車決策規劃系統設計準則
822有限狀態機
823分層有限狀態機
824狀態機在行為規劃中的使用
83基於自由邊界三次樣條插值的無人車路徑生成
831三次樣條插值
832三次樣條插值算法
833使用Python實現三次樣條插值進行路徑生成
84基於Frenet優化軌跡的無人車動作規劃方法
841為什麼使用Frenet坐標系
842Jerk最小化和5次軌跡多項式求解
843碰撞避免
844基於Frenet優化軌跡的無人車動作規劃實例
85本章參考文獻
第9章車輛模型和高級控制
91運動學自行車模型和動力學自行車模型
911自行車模型
912運動學自行車模型
913動力學自行車模型
92無人車控制入門
921為什麼需要控制理論
922PID控制
93基於運動學模型的模型預測控制
931將PID控制應用於轉向控制存在的問題
932預測模型
933在線滾動優化
934反饋校正
94軌跡追蹤
95本章參考文獻
第10章深度強化學習及其在自動駕駛中的應用
101強化學習概述
102強化學習原理及過程
1021馬爾可夫決策過程
1022強化學習的目標及智能體的要素
1023值函數
103近似價值函數
104深度Q值網絡算法
1041Q_Learning算法
1042DQN算法
105策略梯度
106深度確定性策略梯度及TORCS遊戲的控制
1061TORCS遊戲簡介
1062TORCS遊戲環境安裝
1063深度確定性策略梯度算法
107本章小結
108本章參考文獻
主題書展
更多主題書展
更多書展本週66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。
特別提醒:部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。
無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約45個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。
為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。